主流 Agent 框架概览：LangChain、LlamaIndex、Haystack
难度：基础 分类：Frameworks
简短回答
2025 年 AI Agent 框架呈现三足鼎立格局：LangChain 是最全能的"瑞士军刀"——生态最大、功能最全、社区最活跃（GitHub 100k+ Stars），适合快速原型和复杂 Agent 编排，但抽象层多、学习曲线陡；LlamaIndex 是"数据专家"——专注于数据连接和 RAG，提供 160+ 数据源连接器，在检索场景下性能最优（检索速度最快），适合知识密集型应用；Haystack 是"生产派"——由 deepset 开发，Pipeline 架构清晰、模块化程度高，适合需要稳定运行的企业级生产部署。选择建议：快速原型+复杂 Agent → LangChain；数据密集型 RAG → LlamaIndex；生产稳定性优先 → Haystack。实际项目中三者并非互斥——LlamaIndex 可作为 LangChain 的检索后端，Haystack 的 Pipeline 可集成 LangChain 组件。2025 年新兴框架如 CrewAI（多 Agent 编排）、Semantic Kernel（微软企业级）、Agno（极速轻量）也在快速崛起。
详细解析
三大框架对比
#uVIIsTgdTsxM text { white-space: pre; }#uVIIsTgdTsxM .fb0 { stroke: var(--N900-FG, 0.15); }#uVIIsTgdTsxM .fb0 {stroke: rgba(31,35,41, 0.15)}#uVIIsTgdTsxM .fx0 { stroke-miterlimit: 10; }#uVIIsTgdTsxM .fx0 {stroke-miterlimit: 10}#uVIIsTgdTsxM .fa1 { fill: rgb(187, 191, 196); }#uVIIsTgdTsxM .fa1 {fill: rgb(187, 191, 196)}#uVIIsTgdTsxM .fx1 { font: 400 12px MonospacedNumber, LarkHackSafariFont, LarkEmojiFont, LarkChineseQuote, -apple-system, BlinkMacSystemFont, "Helvetica Neue", Tahoma, "PingFang SC", "Microsoft Yahei", Arial, "Hiragino Sans GB", sans-serif, "Apple Color Emoji", "Segoe UI Emoji", "Segoe UI Symbol", "Noto Color Emoji"; }#uVIIsTgdTsxM .fx1 {font-style: normal}#uVIIsTgdTsxM .fx2 { text-anchor: middle; }#uVIIsTgdTsxM .fx2 {text-anchor: middle}#uVIIsTgdTsxM .fx3 { dominant-baseline: central; }#uVIIsTgdTsxM .fx3 {dominant-baseline: central}#uVIIsTgdTsxM .fx4 { stroke: none; }#uVIIsTgdTsxM .fx4 {stroke: none}#uVIIsTgdTsxM .fc0 { fill: var(--text-caption); }#uVIIsTgdTsxM .fc0 {fill: #646a73}#uVIIsTgdTsxM .fa2 { fill: var(--text-link-disabled); }#uVIIsTgdTsxM .fa2 {fill: rgb(187, 191, 196)}#uVIIsTgdTsxM .fx5 { font: 400 13px MonospacedNumber, LarkHackSafariFont, LarkEmojiFont, LarkChineseQuote, -apple-system, BlinkMacSystemFont, "Helvetica Neue", Tahoma, "PingFang SC", "Microsoft Yahei", Arial, "Hiragino Sans GB", sans-serif, "Apple Color Emoji", "Segoe UI Emoji", "Segoe UI Symbol", "Noto Color Emoji"; }#uVIIsTgdTsxM .fx5 {font-style: normal}#uVIIsTgdTsxM .fx6 { text-anchor: start; }#uVIIsTgdTsxM .fx6 {text-anchor: start}#uVIIsTgdTsxM .fx7 { dominant-baseline: alphabetic; }#uVIIsTgdTsxM .fx7 {dominant-baseline: alphabetic}#uVIIsTgdTsxM .fc1 { fill: rgb(0, 0, 0); }#uVIIsTgdTsxM .fc1 {fill: rgb(0, 0, 0)}#uVIIsTgdTsxM .fb1 { fill: var(--N900-FG, 0.15); }#uVIIsTgdTsxM .fb1 {fill: rgba(31,35,41, 0.15)}#uVIIsTgdTsxM .fb2 { fill: rgb(209, 217, 224); }#uVIIsTgdTsxM .fb2 {fill: rgb(209, 217, 224)}#uVIIsTgdTsxM .fa3 { fill: var(--bg-body); }#uVIIsTgdTsxM .fa3 {fill: #fff}ABCD1234567891011121314维度定位GitHub Stars（截至 2025 年）语言核心抽象Agent 能力RAG 能力生产就绪学习曲线灵活性数据连接器模型支持监控/追踪部署方式LangChain通用 LLM 编排100k+Python + TSChain/Agent/Tool★★★★★★★★★☆★★★☆☆陡峭极高多（社区驱动）最广泛LangSmithLangServeLlamaIndex数据+RAG 专家40k+Python + TSIndex/Query Engine★★★☆☆★★★★★★★★☆☆中等高160+ 官方广泛内置追踪自行部署Haystack生产级 NLP18k+PythonPipeline/Component★★★★☆★★★★☆★★★★★平缓中高少（精选）广泛Pipeline 日志Hayhooks API
LangChain 核心架构
注意：LangChain 1.0 已 GA（2025-10），官方推荐使用 langchain.agents.create_agent 构建 Agent；旧版 create_tool_calling_agent + AgentExecutor 以及 LangGraph 的 create_react_agent 都已 deprecated。下方示例使用 1.0 API。
代码块
Python
# LangChain 1.0：create_agent + 中间件架构（推荐 2025-10+）
from langchain.agents import create_agent
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
# 定义工具
@tool
def search_database(query: str) -> str:
"""搜索产品数据库"""
return f"找到关于 {query} 的 3 条结果"
LlamaIndex 核心架构
代码块
Python
# LlamaIndex：数据连接 + 索引 + 查询引擎
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.core.agent import ReActAgent
from llama_index.core.tools import QueryEngineTool
# 加载数据并创建索引
documents = SimpleDirectoryReader("./data").load_data()
index = VectorStoreIndex.from_documents(documents)
# 创建查询引擎
query_engine = index.as_query_engine(similarity_top_k=5)
# 将查询引擎包装为工具
tool = QueryEngineTool.from_defaults(
Haystack 核心架构
代码块
Python
# Haystack：Pipeline 架构——组件化 + 生产优先
from haystack import Pipeline
from haystack.components.generators import OpenAIGenerator
from haystack.components.builders import PromptBuilder
from haystack.components.retrievers.in_memory import InMemoryBM25Retriever
# 定义 Pipeline（DAG 结构）
pipeline = Pipeline()
pipeline.add_component("retriever", InMemoryBM25Retriever(document_store=store))
pipeline.add_component("prompt", PromptBuilder(template=template))
pipeline.add_component("llm", OpenAIGenerator(model="gpt-4o"))
# 连接组件
pipeline.connect("retriever", "prompt")
pipeline.connect("prompt", "llm")
# 运行
result = pipeline.run({"retriever": {"query": "什么是 RAG？"}})
选择决策树
代码块
Plain Text
常见误区 / 面试追问
误区："LangChain 是唯一选择" — LangChain 生态最大但不一定最适合。对于 RAG 专项任务，LlamaIndex 更专业；对于生产稳定性，Haystack 更成熟。框架选择应该基于具体需求，而非社区热度。
误区："框架越全能越好" — 全能框架意味着更多抽象层和更高复杂度。如果只需要一个 RAG Pipeline，使用 LangChain 全家桶就是杀鸡用牛刀。选择最小够用的框架可以降低维护成本。
追问："这些框架可以混用吗？" — 可以，且推荐。典型组合：LlamaIndex 处理数据索引和检索 → LangChain/LangGraph 编排 Agent 逻辑 → Haystack Pipeline 处理特定流程。框架间通常通过工具接口互操作。
追问："2025 年有什么新兴框架值得关注？" — (1) CrewAI：多 Agent 角色扮演，简单直观；(2) Agno：号称最快的 Agent 框架，模型无关；(3) Semantic Kernel：微软出品，企业级 .NET/Python 支持；(4) Google ADK：Google Agent Development Kit，集成 Gemini 生态；(5) OpenAI Agents SDK：轻量级，原生 OpenAI 集成。